II. Đặc tả của giải thuật 1.Cấu trúc dữ liệu
d. Giai đoạn nạp chương trình (bootstrapping).
Trong giai đoạn bắt đầu, sau khi trực tiếp khởi tạo bảng định tuyến, tất cả mật độ mùi có giá trị bằng 0. Vì vậy, các ant quyết định đường đi một cách hoàn toàn ngẫu nhiên. Điều này có nghĩa rằng hiệu quả của giải thuật không tốt trong giai đoạn bắt đầu. Các ant sau khi thu được nhiều thông tin từ hoạt động tìm kiếm và mật độ mùi được cập nhật, hiệu quả của giải thuật tăng lên. Sau một khoảng thời gian giải thuật sẽ tiến gần đến tối ưu. Khi tiến đến điểm này, hiệu quả của giải thuật sẽ không được cải thiện đáng kể nữa.
Để tăng tốc hiệu quả của giải thuật trong giai đoạn khởi động có thể gửi thêm nhiều ant cùng một lúc.
Chương 4
TỔNG KẾT
Khám phá tài nguyên trong môi trường lưới là một vấn đề quan trọng nhưng còn nhiều thử thách và phức tạp do số lượng tài nguyên lớn, có nhiều loại tài nguyên khác nhau tồn tại trong các platform khác nhau, nguồn tài nguyên phân tán nhiều nơi và phức tạp, đối tượng cung cấp tài nguyên thường xuyên thay đổi.
Để việc khám phá tài nguyên hiệu quả, báo cáo cũng đề xuất giải thuật ant tìm kiếm tài nguyên trong mô hình peer-to-peer. Giải pháp tìm kiếm trong mô hình peer- to-peer này hoàn toàn không tập trung, có thể đáp ứng yêu cầu tìm kiếm tài nguyên cho ứng dụng của người dùng khi hệ thống lưới ngày càng mở rộng và thường xuyên thay đổi. Nhiều quá trình mô phỏng để đánh giá thuật này đã thực hiện.
Bài toán khám phá tài nguyên trong tính toán là bài toán có độ phức tạp cao, có thể phát triển theo hướng tổ chức, sắp xếp lại nguồn tài nguyên tính toán lưới trước khi thực hiện khám phá tài nguyên, giải thuật dựa trên ant có thể giải quyết tốt những vấn đề này. Hơn nữa, giải pháp ant có thể giải quyết bài toán tìm kiếm tài nguyên trong mạng peer-to-peer.
TÀI LIỆU THAM KHẢO
[1] Các slide bài giảng (2013) PGS.TS.Nguyễn Phi Khứ .
[2] A.Forestiero, C.Mastroianni (2009), A Swarm Algorithm for a Selft-Sructured P2P Information System, IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, Vol. 13, n.4, pp. 681-694.
[3] Gianni Di Caro and Marco Dorigo (1998) Antnet: Distributed Stigmergy Control for Communications Networks, P.317-365.
[4] Marco Dorigo and Luca Maria Gambardella (1998) Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem. IEEE Transactions on Evolutionary Computation, p.53-56